Deep Adaptive Transfer Learning for Site-Specific PET Attenuation and Scatter Correction from Multi-National/Institutional Datasets
Notice bibliographique
Résumé
Attenuation and scatter correction (ASC) must be performed for quantitative PET imaging. ASC is a challenging task in PET-only and PET/MRI systems. Different single-center or scanner-specific studies have been performed by using deep learning (DL) algorithms. However, the generalizability of these models is limited. In addition, providing large datasets for data-hungry DL models is a bottleneck. However, a universal model may not perform very well for each center because of high variability across different centers in scanners and image acquisition and reconstruction protocols. Therefore, we aimed to apply deep transfer learning for site-specific PET ASC utilizing a multi-center dataset. Altogether, 43068Ga-PSMA/DOTA PET/CT images from three countries (Switzerland, Iran, and Canada), including eight different centers, were enrolled in this study. In all centers, PET images were corrected by using CT images for ASC. In addition, we implemented a deep supervised U-Net network architecture, U2Net, as the core DL model. Different scenarios were investigated in this study, including (i) training and testing models for each center separately: center-based (CeBa); (ii) training and testing models using the entirety of the dataset: centralized (CeZe); i.e., entire data pooled together; and (iii) transfer learning (TrLe) where training was performed using pooled data to one server using entire dataset and then TrLe were performed for each center separately to build site-specific models for each center. In terms of absolute relative error (ARE%), CeBa, CeZe, and TrLe achieved 36 ± 13 (CI95%: 33 to 39), 31 ± 34 (CI95%: 24 to 38).Furthermore, using TrLe outperformed the centralized and center-based models in terms of accurate ASC image generation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».